基于MEMS惯性传感器和无线电广播信号的车载导航定位方法技术

本发明专利技术公开了一种基于MEMS惯性传感器和无线电广播信号的车载导航定位方法，解决了丢星情况下MEMS惯导解算误差迅速累积的问题。与现有使用惯导传感器输出信息预测定位误差方法相比，无线电广播信号的衰减随距离变化呈现函数关系，解决了MEMS惯导误差特性随时间改变导致预测结果不准确的问题。本发明专利技术使用无线电广播信号，由无线电发射塔发射信号，手机接收，不需要布设其它外辐射源和传感器，降低对硬件平台的要求，以及对基础建设的要求。本发明专利技术通过在线建模和使用模型预测，无需事先采集大量的无线电信号进行指纹库的构建以及地图的约束，可以进行实时定位，可用性强。可用性强。可用性强。

【技术实现步骤摘要】
基于MEMS惯性传感器和无线电广播信号的车载导航定位方法


[0001]本专利技术涉及车载导航定位
，具体涉及一种基于MEMS惯性传感器和无线电广播信号的车载导航定位方法。

技术介绍

[0002]如今随着车辆的普及与发展，人们对车辆定位服务的要求也不断提升。全球卫星导航系统(Global Navigation Satellite System，GNSS)如GPS、北斗等已经能够提供全天候的实时、连续、精确定位的系统。但是当车辆行驶在隧道、峡谷等遮挡严重的地方以及城市街道等复杂的环境下时，GNSS信号受到阻碍，信号功率受到严重衰减，导致普通GNSS接收机无法正常捕获跟踪定位。故采用组合导航技术，将GNSS定位精度的长期稳定性与INS定位精度的短期精确性相结合，相互取长补短构成组合导航系统。但是对于低成本MEMS惯导而言，当卫导信号长时间不可用时，低成本惯性器件漂移大，随时间累积的误差会对系统的定位精度造成极大影响。
[0003]现有研究引入机器学习的方法，在GNSS信号仍可见的情况下，根据MEMS惯性器件输出对惯导定位的误差进行建模并训练，在GNSS处于丢星状态时，对MEMS
‑
INS单独解算的导航定位误差进行预测并补偿，从而提升系统的定位精度。MEMS
‑
INS作为一个复杂的系统，误差来源多种多样，包括元件误差、安装误差、初始值误差、原理及方法误差、干扰误差、外信息误差等，并随着载体的运动状态和惯导工作时间，其误差特性还会改变，因此预测的准确率容易受到惯导误差特性变化的影响，预测方法不稳定性。
[0004]现有的基于无线电广播——调频广播(Frequency Modulation，FM)信号和调幅广播(Amplitude Modulation，AM)信号的定位方法主要是指纹定位法，该方法通过在指定区域预先采集指定参考点的功率(Received Signal Strength Indication，RSSI)信息，结合参考点的坐标构建出区域的指纹数据库进行训练；然后，采集当前位置的无线电广播信号的RSSI指纹信息与数据库进行模式匹配，推算出当前的位置坐标。但是现有这种方案需要预先进行大量的测量，且信号的RSSI信息随时间变化，定位精度低，实用性差。

技术实现思路

[0005]本专利技术技术解决问题：克服现有技术的不足，提供一种基于MEMS传感器和无线电广播信号的车载导航定位方法，通过无线电广播信号特征和传感器特征与智能预测算法在GNSS可用情况下建立模型，在GNSS丢星情况下通过模型预测位置信息，辅助MEMS惯导定位的机制，能够有效地解决现有基于无线电广播信号指纹定位预先采集指纹库工作量大的问题和现有智能预测方法使用MEMS惯性器件误差作为特征值，而误差特性变化不稳定，导致预测定位不准确等问题；且无需大量采集信号建立指纹库，无线电信号特征变化稳定预测结果准确率高。
[0006]本专利技术采用的技术方案为：一种基于MEMS惯性传感器和无线电广播信号的车载导航定位方法，无线电广播信号为FM调频广播信号和AM调幅广播信号，其特征在于：通过MEMS
惯导捷联解算和无线电广播信号位置预测定位方法的融合，实现车辆在卫导不可用情况下的定位，具体包括以下步骤：
[0007]步骤一：基于车辆行驶地区的AM和FM无线电发射塔的分布及不同广播信号发射塔的多个频道信号源，选择接收信号强度高于设定阈值的频道，计算接收信号强度变化与车辆行驶位移变化的相关性，选择相关系数最高的频道，完成无线电广播信号频道选择，对MEMS惯性传感器进行小波降噪、中值滤波和均值滤波混合降噪；
[0008]步骤二：根据步骤一中选择的无线电广播信号频道，对来自优选频道的无线电广播信号强度指数RSSI进行AM和FM无线电信号特征计算，根据特征与车辆行驶位移变化的相关性排序对无线电广播特征和MEMS惯性传感器特征进行选择，最后完成FM和传感器特征值平滑和包络处理；
[0009]步骤三：根据步骤一中降噪后的MEMS惯性传感器加速度计和陀螺输出，计算多轴加速度和角速度相关的合变量，通过阈值法将合变量与设定的阈值进行比较，完成车辆运动状态判断，以此针对不同运动状态下，对车辆的速度和姿态角进行不同条件约束，控制惯导解算误差；
[0010]步骤四：车辆行驶利用惯导、卫导和无线电广播信号组合导航定位，在卫导可用的情况下，通过步骤二处理后的无线电广播特征和传感器特征与卫导和惯导组合准确位置变化作为模型输入，完成支持向量回归SVR智能模型的训练；在卫导不可用的情况下，在MEMS惯性导航自主航机推算定位的基础上，通过无线电广播特征和传感器特征预测车辆行驶的位置信息；
[0011]步骤五：将SVR智能模型预测出的位置进行卡尔曼滤波，完成信息融合，融合定位结果直接进行输出校正，最后完成定位。
[0012]所述步骤一具体包括如下步骤：
[0013](1)对于无线电信号频道的选择，根据RSSI变化的皮尔逊相关系数，以及无线电信号来源的发射塔分布进行处理。这里的依据是频道间相关性系数较小，发射塔分布不唯一，距离发射塔距离较近。
[0014](2)对于MEMS惯性传感器数据的预处理，这里使用小波降噪、中值滤波和均值滤波三种方法来进行混合降噪。在保留了有用信号的基础上，很大程度地降低了各轴输出的随机噪声，提升信噪比。
[0015]所述步骤二具体包括如下步骤：经过对AM或FM信号RSSI的信号处理以及特征变换，提取和采样点位置变换相关的一些特征，包括时域特征、频域特征和能量特征；从这些特征中，进行特征的优选，选取和位置变化相关性比较大的特征，能有较好的预测效果。从AM和FM特征中进行特征优选，并对选出的两个特征值都进行平滑处理，对信号进行希尔伯特变换和中值滤波，降低突变值对于车辆运动速度的估计影响。
[0016]具体特征如下：
[0017](1)时域特征包括：
[0018]AM或FM频道信号在时间窗内的RSSI均值；
[0019]AM或FM频道信号在时间窗内的RSSI标准差；
[0020]AM或FM频道信号在时间窗内的RSSI窗内首尾差；
[0021]AM或FM频道信号在时间窗内的RSSI极差。
[0022](2)频域特征包括：
[0023]AM或FM频道信号在时间窗内的RSSI频谱的平均频率；
[0024]AM或FM频道信号在时间窗内的RSSI频谱的平均功率。
[0025](3)能量特征包括：
[0026]AM或FM频道信号在时间窗内的RSSI能量均值；
[0027]AM或FM频道信号在时间窗内的RSSI能量标准差；
[0028]AM或FM频道信号在时间窗内的RSSI能量窗内首尾差；
[0029]AM或FM频道信号在时间窗内的RSSI能量极差。
[0030]为了确定车辆运动速度的变化，引入和运动速度有关的输出信息作为模型训练的惯性传感器特征值，包括以下：
[0031]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MEMS惯性传感器和无线电广播信号的车载导航定位方法，无线电广播信号为FM调频广播信号和AM调幅广播信号，其特征在于：通过MEMS惯导捷联解算和无线电广播信号位置预测定位方法的融合，实现车辆在卫导不可用情况下的定位，具体包括以下步骤：步骤一：基于车辆行驶地区的AM和FM无线电发射塔的分布及不同广播信号发射塔的多个频道信号源，选择接收信号强度高于设定阈值的频道，计算接收信号强度变化与车辆行驶位移变化的相关性，选择相关系数最高的频道，完成无线电广播信号频道选择，对MEMS惯性传感器进行小波降噪、中值滤波和均值滤波混合降噪；步骤二：根据步骤一中选择的无线电广播信号频道，对来自优选频道的无线电广播信号强度指数RSSI进行AM和FM无线电信号特征计算，根据特征与车辆行驶位移变化的相关性排序对无线电广播特征和MEMS惯性传感器特征进行选择，最后完成FM和传感器特征值平滑和包络处理；步骤三：根据步骤一中降噪后的MEMS惯性传感器加速度计和陀螺输出，计算多轴加速度和角速度相关的合变量，通过阈值法将合变量与设定的阈值进行比较，完成车辆运动状态判断，以此针对不同运动状态下，对车辆的速度和姿态角进行不同条件约束，控制惯导解算误差；步骤四：车辆行驶利用惯导、卫导和无线电广播信号组合导航定位，在卫导可用的情况下，通过步骤二处理后的无线电广播特征和传感器特征与卫导和惯导组合准确位置变化作为模型输入，完成支持向量回归SVR智能模型的训练；在卫导不可用的情况下，在MEMS惯性导航自主航机推算定位的基础上，通过无线电广播特征和传感器特征预测车辆行驶的位置信息；步骤五：将SVR智能模型预测出的位置进行卡尔曼滤波，完成信息融合，融合定位结果直接进行输出校正，最后完成定位。2.根据权利要求1所述的基于MEMS惯性传感器和无线电广播信号的车载导航的定位方法，其特征在于：所述步骤二中，无线电信号特征包括时域特征、频域特征和能量特征；(1)时域特征包括：AM或FM频道信号在时间窗内的RSSI均值；AM或FM频道信号在时间窗内的RSSI标准差；AM或FM频道信号在时间窗内的RSSI窗内首尾差；AM或FM频道信号在时间窗内的RSSI极差；(2)频域特征包括：AM或FM频道信号在时间窗内的RSSI频谱的平均频率；AM或FM频道信号在时间窗内的RSSI频谱的平均功率；(3)能量特征包括：AM或FM频道信号在时间窗内的RSSI能量均值；AM或FM频道信号在时间窗内的RSSI能量标准差；AM或FM频道信号在时间窗内的RSSI能量窗内首尾差；AM或FM频道信号在时间窗内的RSSI能量极差。3.根据权利要求1所述的基于MEMS惯性传感器和无线电广播信号的车载导航的定位方法，其特征在于：所述步骤二中，MEMS惯性传感器特征包括以下：
时间窗内惯性传感器的三轴加速度均值；时间窗内惯性传感器的三轴角速度均值；时间窗内惯性传感器的三轴加速度最大值；时间窗内惯性传感器的三轴角速度最大值；时间窗内惯性传感器的三轴加速度峰度；时间窗内惯性传感器的三轴角速度峰度。4.根据权利要求1所述的基于MEMS惯性传感器和无线电广播信号的车载导航定位方法，其特征在于：所述步骤四具...

【专利技术属性】
技术研发人员：丛丽，秦红磊，李宏敏，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：